Skip to content

Machine Learning › 工作流程 › 模型生命週期

模型生命週期 (Model Lifecycle) ​

模型不是一次性產物,而是會隨資料、業務規則與環境改變而持續演進的系統。先想清楚生命週期,才不會把大量精力花在一個很快就過時的版本上。

流程 ​

text
問題定義 → 收集與稽核資料 → 切分、定義驗證 → Baseline → 前處理與訓練候選模型
                                                                  ↓
     重訓或重新設計 ← 監控(預測、資料漂移、結果漂移) ← 部署 ← 錯誤分析與診斷 ← 調參與比較

每個階段該留下什麼 ​

階段產出常被漏掉
問題定義目標、限制、評估指標、利害關係人現行做法(baseline)是什麼
資料資料來源、欄位定義、抽樣規則、清理決策、資料版本特徵在上線時是否拿得到
訓練模型設定、超參數、驗證方式、比較結果Baseline 與錯誤分析
部署版本、服務介面、相依套件、輸入輸出 schema前處理與模型一起打包(Pipeline)
監控告警規則、重訓條件、負責人明確的重訓標準

實驗紀錄與模型版本管理可用 MLflow;部署與漂移監控見 部署與監控。

實務上最重要的兩個問題 ​

問題沒想清楚的後果
模型的輸入上線後真的拿得到嗎?notebook 裡表現很好,但某些特徵上線要晚兩天才到、或來自人工標註,無法即時推論
什麼情況算模型退化?沒有預先定義效能閾值、漂移指標與重訓規則,通常要等問題已經影響業務才被動處理

好習慣 ​

習慣為什麼
版本化資料或擷取邏輯能重現任何一次訓練
記錄參數與評估結果比較不同實驗
前處理與模型一起存避免訓練 / 上線不一致
記錄環境(套件版本、random seed)可重現性
指定監控與重訓的負責人沒人負責就等於沒人監控